如何拆分数据框中非>开头的字符串为固定长度并保留标识行

可以通过分组处理的方式，保留以>开头的标题行，同时拆分对应的序列行，以下提供两种实现方式：

方法一：使用tidyverse工具链 #

利用dplyr的分组功能结合tidyr::separate_longer_position，按标题行划分序列块后分别处理：

library(tidyverse)

# 原始数据框
df <- data.frame(V1 = c(">A1_[Er]", 
                        "aaaabbbcccc", 
                        ">B2_[Br]", 
                        "ddddeeeeeff", 
                        ">C3_[Gh]", 
                        "ggggggghhhhhiiiiijjjjjj"))

# 1. 为每个序列块添加分组标识
df <- df %>%
  mutate(group = cumsum(str_detect(V1, "^>")))

# 2. 分组处理每个块：保留标题行，拆分序列行
result <- df %>%
  group_by(group) %>%
  group_modify(function(.x, .y) {
    # 提取当前块的标题行
    title <- .x %>% filter(str_detect(V1, "^>"))
    # 提取序列行并按2字符拆分
    split_seq <- .x %>% 
      filter(!str_detect(V1, "^>")) %>%
      separate_longer_position(V1, 2)
    # 合并标题与拆分后的序列
    bind_rows(title, split_seq)
  }) %>%
  ungroup() %>%
  select(-group) # 移除分组列

# 查看最终结果
print(result)

方法二：Base R实现 #

无需加载第三方包，通过手动划分序列块、拆分字符串实现：

# 原始数据框（关闭因子转换）
df <- data.frame(V1 = c(">A1_[Er]", 
                        "aaaabbbcccc", 
                        ">B2_[Br]", 
                        "ddddeeeeeff", 
                        ">C3_[Gh]", 
                        "ggggggghhhhhiiiiijjjjjj"), stringsAsFactors = FALSE)

# 找出所有标题行的位置
title_pos <- which(startsWith(df$V1, ">"))
# 构建每个标题对应的序列行范围
block_ranges <- mapply(function(start, end) start:end, 
                       title_pos, 
                       c(title_pos[-1]-1, nrow(df)))

# 遍历每个序列块处理
final_blocks <- list()
for (rng in block_ranges) {
  current_block <- df[rng, , drop = FALSE]
  # 保留标题行
  title_row <- current_block[1, , drop = FALSE]
  # 拆分序列行：用正则按2字符分割，最后不足2的保留
  seq_str <- current_block[-1, "V1", drop = TRUE]
  split_chunks <- strsplit(seq_str, "(?<=.{2})", perl = TRUE)[[1]]
  split_df <- data.frame(V1 = split_chunks, stringsAsFactors = FALSE)
  # 合并当前块的标题与拆分序列
  final_blocks[[length(final_blocks)+1]] <- rbind(title_row, split_df)
}

# 合并所有块得到结果
result <- do.call(rbind, final_blocks)

# 查看最终结果
print(result)

为什么之前的方法失效？ #

你之前直接对subset(df, !df$V1 %like% ">")操作，相当于直接过滤掉了所有标题行，而没有保留标题与对应序列的关联关系。通过分组处理，我们可以确保每个标题行和它对应的序列行始终绑定，不会丢失标题信息。

内容的提问来源于stack exchange，提问作者Traitor Legions